現(xiàn)實世界可被看作由許多不同的復雜系統(tǒng)組成。為了建模分析復雜系統(tǒng)中個體間隱藏的規(guī)律及功能，將復雜系統(tǒng)抽象為由節(jié)點和邊組成的復雜網(wǎng)絡。挖掘復雜網(wǎng)絡中的社區(qū)結構在內(nèi)容推薦、行為預測和疾病擴散等方面具有重要的理論意義和實際價值。隨著復雜系統(tǒng)內(nèi)個體的不斷變化，多個社區(qū)間岀現(xiàn)了重疊節(jié)點，有效且準確地挖掘社區(qū)中的重疊節(jié)點具有一定的挑戰(zhàn)性。為了有效發(fā)現(xiàn)社區(qū)中的重疊節(jié)點，提出了一種基于粗糙集和距離動態(tài)模型的重疊社區(qū)發(fā)現(xiàn)方法（ Overlapping Community Detection based on Rough sets and Distance Dynamics model， OCDRDD）。該方法首先根據(jù)網(wǎng)絡的拓撲結構，結合節(jié)點度中心性和距離選出K個核心節(jié)點;然后按照定義的距離比率關系初始化社區(qū)的近似集和邊界域，結合距離動態(tài)模型，迭代變化邊界域節(jié)點與下近似集節(jié)點間相連的邊的距離，且在毎次迭代過程中將符合定義的距離比率關系的邊界域節(jié)點劃分到社區(qū)下近似集中，以縮小邊界堿節(jié)點（即縮小邊界域的范圍），直到找到最佳重疊社區(qū)結構;最后根據(jù)定義的兩條規(guī)則處理“偽”重疊節(jié)點在真實網(wǎng)絡數(shù)據(jù)集和 LFR Benchmark人工網(wǎng)絡數(shù)據(jù)集上，以NMⅠ和具有重疊性的模塊度EQ作為評價指標，將 OCDRDD方法與近幾年具有代表性的社區(qū)發(fā)現(xiàn)方法進行實驗測試比較，發(fā)現(xiàn) OCDRDD方法整體優(yōu)于其他算法，結果表明該算法具有有效性和可行性。